Модель представления решающих функций для метрических методов распознавания образов

В настоящее время ключевую роль поддержки принятия решений в различных отраслях играет интеллектуальный анализ данных. Его важной составной частью является машинное обучение, актуальная задача которого на практике ‒ осуществление классификации объектов в режиме реального времени. Она может быть достигнута за счет распараллеливания алгоритмов обработки данных как по входным данным, так и по данным решающих функций. Для повышения эффективности распараллеливания методов машинного обучения разработана унифицированная модель представления решающих функций. Целью настоящей статьи является представление унифицированной модели решающих функций для алгоритмов машинного обучения и функций, обеспечивающих ее распараллеливание как по входным данным, так и по данным решающих функций.Сущность представленного подхода заключается в том, что на основе анализа особенностей работы метрических методов машинного обучения выявлены независимые данные для обработки, представленные в виде разных категорий анализируемого свойства, разработана модель представления решающих функций, описывающая выявленные характерные черты объектов входных данных и данных решающих функций в виде соответствующих наборов унифицированных элементов и включающая в себя функции, обеспечивающие их параллельную обработку на основе группового распараллеливания объектов. Предложенный подход базируется на использовании методов анализа алгоритмов и вычислительной сложности, математической статистики и методологии проектирования параллельных алгоритмов.Эксперименты показали, что распараллеливание предложенной модели решающих функций на примере метода потенциальных функций позволяет повысить эффективность классификации как для одного объекта за счет возможности использования дополнительных вычислительных ресурсов, так и для группы объектов при наличии ограничений объема памяти компьютеров или горизонта планирования.Научная новизна предложенного подхода заключается в том, что модель отличается от существующих единым способом формализации объектов и их свойств в виде унифицированных элементов для обучающих и классификационных данных и имеет структуру и функции, ориентированные на ее параллельную обработку методами распознавания образов на основе решающих функций в рамках группового распараллеливания объектов.Теоретическая значимость: модель имеет унифицированный характер и может использоваться при распараллеливании других методов распознавания образов, которые могут быть описаны сходными параметрами, архитектурой и классификационными признаками.Практическая значимость предложенного подхода заключается в том, что модель позволяет осуществить декомпозицию задачи классификации образов на отдельные подзадачи поиска закономерностей между входными данными и данными решающих функций.

распознавание образов, метод решающих функций, машинное обучение